/ Модель

Характеристики

Лицензия
MIT
Базовая модель
MinVIS-Model-Zoo
Библиотека
DETECTRON2
Опубликована
28 июл 2026

QueenVIS

Сегментация изображенийИзображение → mask

QueenVIS сегментирует и отслеживает отдельные экземпляры объектов в видео, используя обучение на изображениях и распространение запросов между кадрами.

0скачиваний за 30 дней7лайковвеса обновлены1 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

QueenVIS — модель компьютерного зрения для сегментации экземпляров объектов в видео, разработанная Arian Kheir и соавторами. Она переосмысливает обучение на отдельных изображениях для задачи Video Instance Segmentation: вспомогательные головы предсказания признаков и центров объектов формируют в запросах трансформера пространственные и визуальные приоры без обучения на видеоклипах.

При обработке видео модель переносит запросы между кадрами с помощью механизма распространения запросов, учитывающего уверенность, и непараметрической памяти, чтобы сохранять идентичность объектов во времени. По данным авторов, при инференсе QueenVIS не добавляет параметров и вычислительных затрат относительно базовых моделей, обученных на изображениях. Модель оценивалась на YouTube-VIS и OVIS; опубликованные результаты зависят от набора данных и используемой визуальной основы, включая ResNet-50 и Swin-L.

Репозиторий содержит веса PyTorch и основан на дообучении deahuang/MinVIS-Model-Zoo. Для запуска авторы отсылают к официальному репозиторию с инструкциями по установке, подготовке данных и инференсу. Лицензия — MIT.

Сценарии применения

  • сегментация объектов в видеопоследовательности
  • отслеживание идентичности объектов между кадрами
  • анализ видео с сильными перекрытиями объектов
  • оценка сегментации экземпляров на YouTube-VIS и OVIS

Ограничения

В README описана оценка на YouTube-VIS и OVIS, но приведённые результаты относятся к конкретным наборам данных и визуальным основам; они не гарантируют качество на других видео. Для инференса требуются подготовленные видеоданные и окружение Detectron2, инструкции по настройке находятся во внешнем репозитории.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

QueenVIS: Rethinking Image-Only Training for Video Instance Segmentation via Query Enrichment

This repository hosts the official model weights and evaluation benchmarks for QueenVIS.

🔗 Quick Links


📖 Model Description

QueenVIS rethinks the paradigm of image-only training for Video Instance Segmentation (VIS). By introducing training-only auxiliary heads for feature prediction and center prediction, QueenVIS embeds dense appearance and spatial priors directly into transformer object queries without requiring video clip supervision.

  • Key Feature: Adds zero parameters and zero extra GFLOPs at inference relative to image-only baselines like MinVIS.
  • Temporal Association: Employs a training-free confidence-guided query propagation mechanism paired with a non-parametric memory bank to maintain temporal identity across frames.

📊 Datasets & Evaluation Metrics

QueenVIS is evaluated across standard VIS benchmarks:

  • YouTube-VIS (2019 / 2021 / 2022 Long Split): Standard and long-sequence video benchmarks.
  • OVIS (Occluded Video Instance Segmentation): A challenging benchmark characterized by severe occlusion and complex object interactions.

Performance is measured using standard Video Instance Segmentation metrics:

  • AP (Average Precision): Primary metric across IoU thresholds.
  • AP₅₀ & AP₇₅: Average Precision at IoU thresholds of 0.50 and 0.75.
  • AR₁ & AR₁₀: Average Recall given 1 and 10 detections per video.

📈 Evaluation Results

1. Main Benchmarks (ResNet-50 Backbone)

DatasetAPAP₅₀AP₇₅AR₁AR₁₀
YouTube-VIS 201951.875.258.349.462.1
YouTube-VIS 202150.972.155.842.857.3
YouTube-VIS 2022 (Long)33.656.634.031.739.9
OVIS (Occluded VIS)29.852.729.015.434.6

2. Scaling to Vision Transformers (Swin-L Backbone)

DatasetAPAP₅₀AP₇₅AR₁AR₁₀
YouTube-VIS 201963.285.368.355.568.4
YouTube-VIS 202159.881.565.248.364.2
OVIS (Occluded VIS)41.062.243.018.445.0

🚀 How to Use

For complete instructions on installation, environment setup, dataset preparation, and inference scripts, visit the official GitHub Repository.


📚 Citation

If you find QueenVIS useful in your research, please cite our work:

@misc{kheirandish2026queenvis,
      title={QueenVIS: Rethinking Image-Only Training for Video Instance Segmentation via Query Enrichment}, 
      author={Arian Kheirandish and Fardin Ayar and Ehsan Javanmardi and Manabu Tsukada and Mahdi Javanmardi},
      year={2026},
      eprint={2607.24598},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={[https://doi.org/10.48550/arXiv.2607.24598](https://doi.org/10.48550/arXiv.2607.24598)}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · DETECTRON2 · image-segmentation

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
7ccecfa

0 моделей